用于实时预测颅内动脉瘤血流动力学的物理约束图神经网络

这为什么与大脑健康有关

脑动脉的薄弱膨出称为颅内动脉瘤，它们可能在毫无预警的情况下破裂并引发危及生命的出血。临床上已知血液在这些脆弱血管壁上的流动方式会影响动脉瘤是保持稳定还是发生破裂，但目前用于模拟这种流动的工具太慢且过于专业化，无法在日常诊疗中广泛使用。本研究提出了一种快速的人工智能方法，能够在几秒钟内模拟出近似的细致血流计算结果，而非数小时，从而为更快、个性化的治疗决策打开了大门，帮助判断谁需要治疗以及如何治疗。

从静态影像到流动的血液

目前，大多数关于动脉瘤的决策基于影像能看到的内容：膨出的大小、形状和位置，以及诸如年龄和高血压等基本风险因素。这些静态快照无法反映流动血液带来的不可见力学因素，例如血流在血管壁上的摩擦强度或这种力在心跳周期内的变化幅度。传统的计算流体力学可以精确地算出这些量，但需要专家设置并在高性能计算机上长时间运行。因此，许多医院在门诊或急诊需要快速决策时无法实际使用这些方法。

教会人工智能遵循物理法则

研究人员构建了基于图神经网络的人工智能模型，这类算法天然适合处理像血管网格这样分支结构的数据，而不是方形的图像网格。他们用来自真实患者数据的105种动脉瘤形状的高质量血流计算模拟进行训练，聚焦于一条关键脑动脉的常见部位。每个病例包含整个心周期内完整的三维速度场和压力场。为了让模型更好地把握底层物理，他们不仅让模型去拟合模拟得到的速度，还加入了描述血液进入动脉速度和加速度等额外特征，并在模型预测违反质量守恒等基本流体定律时施加惩罚。

洞察危险膨出内部

训练完成后，AI可以以一帧血流信息为起点快速向前滚动，重建动脉瘤囊内的旋涡结构和再循环区。与原始模拟相比，其短期误差已经很低，但真正的考验在于当它预测数十步以后的流动时这些误差是否会累积放大。加入物理约束的增强版通过了这一测试：在50步预测期间，其误差比更简单的基线模型小超过六倍，并且在心搏最紊乱的阶段仍然能追踪到流动变化。当团队把这些速度场转换为临床相关的量——例如动脉瘤穹顶上的平均壁面剪切应力时，AI的结果与参考值相差约10%以内，并能再现高应力出现的位置。

超出训练集的泛化能力

任何医疗AI面临的关键问题之一是它能否处理从未见过的患者情况。研究团队在没有额外训练的情况下，用两类陌生情形挑战模型。首先，他们改变了入流波形以匹配在不同脑动脉中测得的模式。AI仍能跟随每次脉动的新时序和强度，保持较小误差并捕捉到膨出内部被重塑的流动。其次，他们在四个完全患者特异的动脉瘤几何体上测试这些模型，这些几何体在尺寸、颈部宽度和血管走行上各不相同。尽管速度的绝对值有时存在偏差，模型仍重现了主要的流动结构和受影响区域，这表明它学到的是底层行为，而非仅仅记住训练时的形状。

床旁能更快地得到答案

由于该AI运行速度大约比其所学的传统模拟快六十倍左右，经过几十例后就比标准方法更高效，并最终可能在不到一分钟内提供全场血流预测。作者强调，他们的工具并不是一个独立的破裂预测器；相反，它是一个快速生成物理一致的流场图和壁面应力的引擎，其他风险模型可以使用这些输出。他们还将105例数据集作为公开基准发布，以便其他团队构建和比较改进的模型。通过在更真实的血管形状和患者特异性入流数据上进一步训练，这种方法有望把复杂的血流分析从超级计算实验室带入日常临床，造福患有脑动脉瘤的人群。

引用: Lannelongue, V., Garnier, P., Jeken-Rico, P. et al. Physics constrained graph neural network for real time prediction of intracranial aneurysm hemodynamics. npj Digit. Med. 9, 212 (2026). https://doi.org/10.1038/s41746-026-02404-z

关键词: 脑动脉瘤, 血流, 图神经网络, 计算建模, 数字医疗